利用Minidx Extract-Text Com组件从Word,Xls,Pdf……等文件中读取 后附C# 调用代码

不少人对Google，Baidu等搜索引擎可以“找到”你放在服务器上的Word的Doc,Excel的xls以及Pdf等各种文件而感到惊叹不已，也有不少人发来邮件询问我Minidx文件管理器中从各种格式的文件中读取文本内容是如何实现的。Linux平台实现起来比较复杂一些，不过对于Windows用户来说，其实利用微软Ifilter的Indexing
service接口，可以比较容易的实现上面的功能。Minidx支持200多种文件格式，其实也是利用了Ifilter的接口。实现的基本原理，就是写一个Com组件，去查找系统中相应文件格式的API接口所在的Dll路径，然后调用抽取文本。

在上面的微软Ifilter中有关于IFilter的基本概念的介绍，这里不再重复，另外在codeproject的Using IFilter in C#中，可以找到C#的实现并且可以下载到源代码。因为性能上的考虑，Minidx文件管理器的这一部分完全利用C++实现，并封装为Com组件，下面主要是对如何通过调用这一Com组件在自己的程序中实现Doc，Xls，Pdf，msg等等文本阅读等功能作一些说明。

●Demo压缩包构造（压缩包可以从这里下载）

demo_vb.zip———–demo_vb.sln   整个解决方案（solution）文件

                     |———demo_vb.suo　用户配置文件

　　　　　　　　　 |———demo_vb—-bin——–Debug—-demo_vb.exe   Debug版本目标文件

                                                        |———Release—demo_vb.exe  Release版本目标文件

                                                |—My Project(忽略)

                                                |—obj                       编译生成的临时文件

                                                |—demo_vb.vbproj      工程文件

                                                |—ExtractText.dll         文本抽取Com组件

                                                |—Form1.Designer.vb   Demo的GUI文件

                                                |—Form1.resx                资源文件

                                                |—Form1.vb                   Demo的源代码文件

                                                |—run.bat                      Com组件注册命令

●执行Demo

①、双击run.bat执行，注册Com组件





②、双击demo_vb\bin\Release或者demo_vb\bin\Debug目录下的demo_vb.exe





③、点“File”，选择对象文件





④、选中文件，查看抽取文本结果。（下面分别是中日英Word的抽取结果）









注意:抽取文本对象文件需要有读写权限，正在编辑中的文件抽取文本时可能会出错。

●Demo代码说明

首先当然需要导入Dll组件，下面的代码很简单，也都有注释，应该不难理解，这里不再累述，有什么不明白或者有什么问题的话，可以提出来一起探讨，：）

1:  '-----------------------------

2:  ' desc: Extract text from selected file

3:  '-----------------------------

4:  Private Sub SelectFileDialog_FileOk(ByVal sender As System.Object, ByVal e As System.ComponentModel.CancelEventArgs) Handles SelectFileDialog.FileOk

5:          On Error GoTo ErrH

6:

7:          ' get selected full-path file name

8:          Dim sFile As String = SelectFileDialog.FileName

9:

10:          ' set file name

11:          txtFilePath.Text = sFile

12:

13:          ' set ExtractText module

14:          Dim te As ExtractTextLib.TextExtractor = New ExtractTextLib.TextExtractor

15:          Dim sText As String

16:          sText = te.ExtractText(sFile, MAX_EXTRACT_TEXT_SIZE)

17:          Err.Clear()

18:

19:          'Me.FileLength.Text = Len(sText).ToString()

20:          Me.ExtractText.Text = sText

21:

22:          Exit Sub

23:  ErrH:

24:          MsgBox("Error extracting text from '" & sFile & "' Err=" & Err.Number & "-" & Err.Description & " in " & Err.Source)

25:      End Sub

工程的DLL和Demo源代码从这里下载,C/C++调用的Demo还在制作中，有兴趣的高手们也可以制作Php，Delphi，C#等各种语言调用的Demo以供分享~~，实际上原理是一样的。有什么问题可以直接在这里留言或者在Minidx帮助论坛发贴寻找帮助。该模块可用于任何商业和非商业的用途，如果你愿意的话，可以发一个邮件给我告诉我这一模块被用在了你的项目中，那么当你取得成功的时候，我也可以向我的朋友们吹嘘一下，当然这不是必需的，：）

附C# 测试代码例子很简单一看就会

同上首先需要注册 regsvr32.exe 注册 ExtractText.dll

并从项目中引入该dll

核心代码如下：

    public partial class Form1 : Form

    {

        public Form1()

        {

            InitializeComponent();

        }

        private void button1_Click(object sender, EventArgs e)

        {

            OpenFileDialog op = new OpenFileDialog();

            if (op.ShowDialog(this) == System.Windows.Forms.DialogResult.OK)

            {

                this.textBox2.Text = op.FileName;

            }

        }

       

        private void button2_Click(object sender, EventArgs e)

        {

            ExtractTextLib.TextExtractor extractor = new ExtractTextLib.TextExtractor();

            this.textBox1.Text=extractor.ExtractText(this.textBox2.Text,(int)new System.IO.FileInfo(this.textBox2.Text).Length);

        }

    }

测试中发现对于pdf处理需要下载ifilter 相对于pdf 的关联 才能识别本地的adobe

ifilter pdf 下载地址

http://download.csdn.net/detail/wxw6782829/4107606